Beräkning av association och dissociation
Biblioteket har återkommit med frågor om din rekommendation att marknadsföra Harry Potter tillsammans med Twilight. De är oroliga för att de två böckerna kan vara dissocierade, vilket skulle kunna påverka deras marknadsföringsinsats negativt. De ber dig bekräfta att så inte är fallet.
Du tänker genast på Zhangs metrik, som mäter association och dissociation kontinuerligt. Association är positiv och dissociation är negativ. Precis som i tidigare övningar har DataFrame books importerats åt dig, tillsammans med numpy under aliaset np. Zhangs metrik beräknas enligt följande:
$$Zhang(A \rightarrow B) = $$ $$\frac{Support(A \& B) - Support(A) Support(B)}{ max[Support(AB) (1-Support(A)), Support(A)(Support(B)-Support(AB))]}$$
Den här övningen är en del av kursen
Marknadskorgsanalys i Python
Övningsinstruktioner
- Beräkna supporten för {Twilight} och supporten för {Potter}.
- Beräkna supporten för {Twilight, Potter}.
- Fyll i uttrycket för nämnaren.
- Beräkna Zhangs metrik för {Twilight} \(\rightarrow\) {Potter}.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Compute the support of Twilight and Harry Potter
supportT = books['Twilight'].____
supportP = books['Potter'].____
# Compute the support of both books
supportTP = ____.mean()
# Complete the expressions for the numerator and denominator
numerator = supportTP - supportT*supportP
denominator = ___(supportTP*(1-supportT), supportT*(supportP-supportTP))
# Compute and print Zhang's metric
zhang = ____ / ____
print(zhang)